Insights AI

La strategia di Amazon da $220 miliardi per l'infrastruttura di IA: chip su misura, economia dei centri dati e IA su scala aziendale

Podcast · Ascolta (20 min)

$220B AI Bet: How AWS Custom Chips Cut Costs 40%

Indice
  1. 1. Il dilemma delle spese in conto capitale: espandere le infrastrutture a fronte di una domanda insaziabile
  2. 2. I meccanismi economici dei centri dati e le tensioni sulla rete elettrica pubblica
  3. 3. La polarizzazione della domanda di IA e il ruolo dei chip personalizzati
  4. 4. Progettazione organizzativa nell'era degli agenti e realtà della sicurezza informatica
  5. 5. Allocazione del capitale, alleanze strategiche e reinvenzione dei prodotti fondamentali
  6. Numeri chiave
  7. Cosa cambierebbe questo quadro
  8. Fonti citate

Amazon sta affrontando un ciclo senza precedenti di spese in conto capitale da $220 miliardi nel 2026 per espandere la propria infrastruttura globale di intelligenza artificiale e cloud computing. Spinta da una domanda incessante che ha lasciato la capacità di calcolo completamente prenotata fino al 2026, in gran parte prenotata per il 2027 e ampiamente impegnata fino al 2028, la società sta bilanciando ingenti investimenti finanziari a breve termine con la monetizzazione delle infrastrutture a lungo termine. Per consentire un'adozione pervasiva dell'IA aziendale nei carichi di lavoro produttivi fondamentali, attualmente limitata dagli elevati costi di inferenza, Amazon sta impiegando chip personalizzati, tra cui gli acceleratori Trainium e i chip delle unità centrali di elaborazione sviluppati da Annapurna Labs, denominati Graviton. Abbinata a un cambiamento fondamentale verso flussi di lavoro di ingegneria del software estremamente snelli e basati su agenti, questa strategia di allocazione del capitale mira a ridurre il costo del calcolo di un ordine di grandezza e ad assicurare una leadership strutturale nell'emergente era dell'IA.

1. Il dilemma delle spese in conto capitale: espandere le infrastrutture a fronte di una domanda insaziabile#

L'enorme portata dell'attuale domanda di intelligenza artificiale aziendale ha spinto l'espansione delle infrastrutture cloud in un territorio inesplorato. Amazon prevede circa $220 miliardi di spese in conto capitale totali per il 2026, equivalenti a uno straordinario ritmo di impiego del capitale di circa $600 milioni al giorno. Nonostante questo impegno di capitale, la capacità di calcolo rimane fortemente limitata nell'intero ecosistema cloud. La capacità di Amazon Web Services è completamente prenotata fino al 2026, in gran parte prenotata per il 2027 e presenta ampie assegnazioni già impegnate fino al 2028. Sebbene i mercati finanziari esprimano occasionalmente scetticismo riguardo all'enorme impegno finanziario necessario per finanziare questa espansione, l'infrastruttura di calcolo aziendale è diventata un servizio essenziale per il commercio globale, il settore bancario, la sanità e le attività software.

Questa rapida espansione crea compromessi operativi e finanziari temporanei che presentano forti analogie con l'espansione della rete fisica di Amazon durante la pandemia. Tra il 2020 e il 2022, Amazon ha raddoppiato l'estensione della propria rete di evasione degli ordini, una rete fisica costruita nei precedenti 25 anni, in soli 18 mesi. Contemporaneamente, la società ha costruito una rete di trasporto dell'ultimo miglio di dimensioni paragonabili a quelle di United Parcel Service [UPS] in 20 mesi.

Quando le infrastrutture fisiche o digitali vengono costruite a una velocità così estrema, emergono inevitabilmente inefficienze operative. Nella divisione del commercio al dettaglio, la rapida espansione ha inizialmente creato forti pressioni sui costi di servizio. Anziché compromettere l'esperienza del cliente o abbassare gli standard operativi della propria cultura aziendale, Amazon ha sfruttato metriche interne e meccanismi di revisione dirigenziale per individuare le strozzature strutturali. Ciò ha portato a una completa riprogettazione della propria infrastruttura logistica, trasformando una rete nazionale uniforme di evasione degli ordini in un modello regionalizzato. La regionalizzazione ha collocato le scorte più vicino ai consumatori finali, riducendo contemporaneamente le distanze di trasporto e i costi operativi di servizio e accelerando le consegne.

Un'evoluzione architetturale analoga si sta verificando nelle infrastrutture digitali. L'amministratore delegato di Amazon, Andy Jassy, presenta l'attuale espansione dei centri dati come un imperativo industriale moderno, paragonandola ai progetti infrastrutturali federali del passato. «Non c'è stato nulla di simile nel mondo e in questo Paese forse da quando abbiamo costruito le autostrade e i ponti negli anni 1950», ha osservato Jassy. Saltare o rinviare questo ciclo di investimenti comporta un profondo rischio strategico; non realizzare un'infrastruttura di calcolo nazionale potrebbe significare cedere la leadership tecnologica e la definizione degli standard operativi a concorrenti esteri come la Cina.

2. I meccanismi economici dei centri dati e le tensioni sulla rete elettrica pubblica#

Comprendere l'economia dei centri dati su scala estremamente ampia richiede di valutare il distinto ciclo di cassa in due parti che governa l'infrastruttura cloud:

  • Strutture dei centri dati e infrastrutture elettriche: Le strutture fisiche dei centri dati e i collegamenti elettrici richiedono impegni di capitale circa due anni prima dell'installazione dei server. Tuttavia, queste strutture rappresentano attività con una vita utile di 30 anni che richiedono un unico esborso principale di capitale.
  • Server e apparecchiature di rete: Le risorse informatiche, come gli armadi server, le apparecchiature di rete, la memoria ad alta larghezza di banda e la memoria dinamica ad accesso casuale, vengono acquistate solo pochi mesi prima della messa in servizio. Queste attività hanno una vita utile di 5-6 anni, raggiungono generalmente il punto di pareggio entro tre anni e sono garantite da contratti a lungo termine con i clienti, della durata media di cinque anni.

Poiché le strutture dei centri dati richiedono ingenti capitali iniziali due anni prima di generare ricavi, gli operatori cloud su larga scala subiscono significative pressioni temporanee sul free cash flow (flusso di cassa libero) durante le fasi di espansione accelerata. I flussi di cassa si normalizzano e crescono in modo composto una volta che le strutture entrano in funzione, i server vengono installati e i contratti con i clienti iniziano a generare ricavi. «Anche spendendo $220 miliardi in spese in conto capitale quest'anno, lasciamo insoddisfatta una quota significativa della domanda», ha dichiarato Jassy durante la discussione.

Contemporaneamente, lo sviluppo di infrastrutture su scala estremamente ampia incontra resistenze politiche e delle comunità locali riguardo agli impatti ambientali e sulla rete elettrica. I dati empirici delle fonti confutano diverse convinzioni errate diffuse nell'opinione pubblica:

  • Consumo di acqua: I sistemi di raffreddamento dei centri dati sono altamente efficienti rispetto agli immobili commerciali tradizionali. Per esempio, il settore del golf consuma 200 volte più acqua di tutti i centri dati di Amazon messi insieme, consumando in due giorni più acqua di quanta ne utilizzino i centri dati di Amazon in un intero anno.
  • Emissioni e generatori di emergenza: I generatori diesel di emergenza presenti sul posto non funzionano ininterrottamente. Operano esclusivamente durante le interruzioni di corrente e la manutenzione ordinaria, funzionando per circa lo 0.1% dell'anno, pari a circa 10 ore annue.
  • Impatto sull'economia locale e sulla rete elettrica: I centri dati rappresentano un'enorme base imponibile per le comunità locali che li ospitano. Nella contea di St. Joseph, in Indiana, Amazon ha versato circa $3 miliardi di imposte locali. Inoltre, Amazon ha impegnato $1 miliardi nell'arco di cinque anni direttamente a favore delle comunità ospitanti attraverso il programma "Built Together". Sebbene il rapido aumento della domanda di energia imponga inizialmente potenziamenti della rete, i dati storici di regioni dell'Indiana, della Georgia e del Mississippi dimostrano che, una volta installata la capacità infrastrutturale della rete regionale, le tariffe locali dell'energia si stabilizzano o diminuiscono nel tempo.

3. La polarizzazione della domanda di IA e il ruolo dei chip personalizzati#

L'attuale adozione dell'IA aziendale presenta uno squilibrio strutturale, che Andy Jassy descrive come una «domanda a manubrio». Il consumo di risorse di calcolo è fortemente concentrato ai due estremi del mercato, lasciando non penetrata la grande maggioranza dei carichi di lavoro aziendali:

  • L'estremo ad alto consumo di calcolo: Comprende i laboratori di ricerca sull'IA di frontiera e le applicazioni per consumatori in crescita esplosiva, che consumano enormi quantità di capacità di calcolo indipendentemente dal prezzo.
  • L'estremo a basso consumo di calcolo: Comprende le imprese che sfruttano l'IA per evitare costi specifici e migliorare la produttività, per esempio attraverso il servizio clienti automatizzato e il rilevamento delle frodi.
  • La fascia centrale non penetrata: Comprende le applicazioni produttive fondamentali delle imprese, che rimangono in gran parte vincolate alle architetture tradizionali delle unità centrali di elaborazione.

La principale strozzatura che impedisce a questi carichi di lavoro produttivi fondamentali di passare agli acceleratori di IA è il costo dell'inferenza. Sebbene i costi di inferenza siano diminuiti, rimangono superiori di un ordine di grandezza al livello che giustificherebbe la riscrittura delle applicazioni di uso comune. «Il costo dell'inferenza... è ancora troppo elevato di un ordine di grandezza, a mio avviso, perché possa essere utilizzata nel modo più pervasivo possibile», ha osservato Jassy. Se il differenziale di costo tra il calcolo standard su unità centrali di elaborazione e il calcolo accelerato dall'IA rimane elevato, il beneficio incrementale in termini di prestazioni deve soddisfare una soglia di rendimento sull'investimento insolitamente alta. Ridurre il costo dell'inferenza costituisce l'unico catalizzatore essenziale necessario per sbloccare questo enorme mercato intermedio.

La strategia di Amazon per ridurre i costi di inferenza si basa fortemente sui chip personalizzati sviluppati da Annapurna Labs, acquisita nel 2015. Originariamente, Annapurna era stata acquisita per trasferire le attività di archiviazione, rete, virtualizzazione e sicurezza dalle unità centrali di elaborazione dei server a schede di interfaccia di rete dedicate. Questa architettura ha consentito ad Amazon Web Services di assegnare quasi il 100% della capacità delle unità centrali di elaborazione dei server Elastic Compute Cloud [EC2] direttamente ai carichi di lavoro dei clienti.

Questa base ingegneristica ha prodotto due famiglie di chip fondamentali:

  • Unità centrali di elaborazione Graviton: Sviluppati come alternativa all'architettura tradizionale x86, i chip Graviton offrono un vantaggio del 40% nel rapporto prezzo-prestazioni rispetto ai processori x86 standard. Oggi Graviton è utilizzato dal 99% dei principali 1,000 clienti EC2 di Amazon Web Services.
  • Acceleratori di IA Trainium: Progettati specificamente per l'addestramento e l'inferenza nell'apprendimento profondo, i processori Trainium offrono un vantaggio dal 30% al 40% nel rapporto prezzo-prestazioni rispetto ai processori grafici commerciali concorrenti.

Riducendo il costo dell'inferenza di un ordine di grandezza attraverso chip personalizzati, Amazon mira a rendere economicamente sostenibile per le imprese di uso comune riscrivere le applicazioni software fondamentali per un'integrazione pervasiva dell'IA.

4. Progettazione organizzativa nell'era degli agenti e realtà della sicurezza informatica

La proliferazione dell'IA generativa e degli strumenti di sviluppo basati su agenti sta modificando radicalmente l'ingegneria del software, le strutture dei gruppi di lavoro e i modelli operativi aziendali. La tendenza storica verso strutture organizzative iperspecializzate, in cui singoli responsabili di prodotto o ingegneri gestiscono porzioni minime di un prodotto, sta lasciando spazio a gruppi di lavoro estremamente snelli e interfunzionali.

Un esempio significativo di questo cambiamento di velocità si è verificato all'interno della stessa Amazon Web Services: il gruppo di ingegneria di AWS Bedrock ha ricostruito completamente il proprio motore centrale di inferenza impiegando 6 ingegneri in 76 giorni. Storicamente, un progetto infrastrutturale di tale portata richiedeva 40 ingegneri al lavoro per un anno intero. Analogamente, piccoli gruppi interni di 4-5 ingegneri sono ora in grado di costruire prototipi software pronti per la distribuzione all'80% nell'arco di un solo fine settimana.

Queste metriche di velocità segnalano una transizione fondamentale nel modo in cui le organizzazioni tecniche allocano il capitale umano:

  • Cambiamento nelle dimensioni della forza lavoro: Le organizzazioni software avranno bisogno di meno sviluppatori umani per attività tradizionali come la programmazione manuale, l'elaborazione di base dei documenti legali e l'analisi aziendale ordinaria. «In futuro avremo meno persone impegnate nel lavoro che svolgono oggi rispetto a quante ne abbiamo attualmente», ha spiegato Jassy.
  • Gruppi interfunzionali nativi: I gruppi di sviluppo opereranno con strutture più piccole e altamente fluide, iniziando da fasi avanzate di realizzazione e sfruttando i modelli di IA per eseguire l'80% delle attività ordinarie.
  • Riduzione dei tempi di immissione sul mercato: I cicli di iterazione dei prodotti si stanno comprimendo, passando da programmi di pianificazione di diversi mesi a cicli intensivi di prototipazione di pochi giorni.

Tuttavia, la velocità degli agenti introduce gravi minacce alla sicurezza informatica. I modelli avanzati di IA stanno scoprendo vulnerabilità del software più rapidamente di quanto possano individuarle gli specialisti umani di sicurezza o i tradizionali esperti di test di penetrazione.

Tradizionalmente, la sicurezza del software si basava sull'individuazione delle vulnerabilità, la preparazione delle correzioni, la verifica delle dipendenze e la distribuzione degli aggiornamenti: un processo che spesso richiede settimane o mesi. In un ambiente di minacce basate su agenti, le organizzazioni devono ridurre i tempi di distribuzione delle correzioni a pochi minuti. Per sopravvivere a questo cambiamento, le imprese devono riscrivere le basi di codice preesistenti in architetture native per agenti, consentendo agli agenti software automatizzati di individuare vulnerabilità, applicare correzioni e distribuire aggiornamenti continuamente, senza intervento umano manuale.

5. Allocazione del capitale, alleanze strategiche e reinvenzione dei prodotti fondamentali#

La strategia di impiego del capitale di Amazon combina lo sviluppo di chip proprietari con alleanze strategiche da diversi miliardi di dollari con i principali sviluppatori di modelli di IA.

Attraverso la collaborazione con Anthropic, Amazon Web Services funge da principale fornitore di addestramento e inferenza per i modelli Claude. Anthropic si è impegnata a realizzare infrastrutture di calcolo da diversi gigawatt basate su chip Trainium, offrendo al contempo i propri modelli in modalità nativa su AWS Bedrock. Analogamente, Amazon ha ampliato il proprio ecosistema per supportare i carichi di lavoro di OpenAI su Amazon Web Services, sviluppando congiuntamente ambienti di esecuzione specializzati con mantenimento dello stato, progettati specificamente per l'esecuzione basata su agenti.

Oltre a ospitare modelli esterni, la strategia tecnologica aziendale richiede di reinventare dalle fondamenta prodotti maturi e di grande successo, anziché affidarsi ad aggiornamenti incrementali delle funzionalità. Jassy cita la revisione completa di Amazon Alexa come caso di studio. Sebbene l'architettura originale di Alexa fosse rivoluzionaria al momento del lancio, l'avvento dell'IA generativa ha richiesto di sostituirne interamente il motore sottostante.

Sebbene aggiornare progressivamente il software preesistente sia più semplice sul piano organizzativo, preservare la leadership di mercato richiede riscritture dalle fondamenta. Le applicazioni aziendali consolidate nel commercio al dettaglio, nella trasmissione video in streaming e nella gestione cloud devono essere completamente riprogettate in chiave nativa per l'IA per rimanere competitive rispetto alle nuove imprese emergenti native per agenti.

Numeri chiave#

  • $220 miliardi: Spesa prevista di Amazon per investimenti in conto capitale nel 2026 (~$600 milioni al giorno).
  • 36.7%: Crescita dei ricavi AWS su base annua nel trimestre più recente, con ricavi annualizzati di $169 miliardi.
  • $25+ miliardi: Ricavi annualizzati dell'attività di IA generativa di AWS nei suoi primi 3 anni (rispetto a ricavi annualizzati di $60 milioni dopo 3 anni agli inizi della storia di AWS).
  • 80%: Crescita approssimativa dei ricavi complessivi di Amazon dal 2021 a oggi.
  • 3x: Entità della crescita di AWS dal 2021 a oggi.
  • 2.5x: Crescita dei ricavi pubblicitari di Amazon dal 2021 a oggi.
  • 30 anni contro 5–6 anni: Vita utile delle infrastrutture dei centri dati (30 anni) rispetto alle apparecchiature server e di rete (5–6 anni, pareggio in ~3 anni).
  • 40%: Miglioramento del rapporto prezzo-prestazioni delle CPU Graviton rispetto ai processori x86 standard.
  • 30%–40%: Vantaggio nel rapporto prezzo-prestazioni dei chip Trainium per l'IA rispetto a processori comparabili.
  • 200x: Fattore per cui il consumo d'acqua dei campi da golf supera quello dei centri dati di Amazon.
  • 0.1%: Percentuale dell'anno in cui i generatori di riserva sono in funzione (circa 10 ore all'anno).
  • $3 miliardi: Imposte pagate da Amazon nella contea di St. Joseph, Indiana.
  • $1 miliardi: Impegno quinquennale a favore delle comunità che ospitano centri dati tramite il programma "Built Together".
  • 6 ingegneri in 76 giorni: Portata della ricostruzione del motore di inferenza da parte del gruppo Bedrock (rispetto alle 40 persone per 1 anno necessarie in passato).

Cosa cambierebbe questo quadro#

  1. Costo dell'inferenza drasticamente ridotto: Un forte calo dei costi di inferenza, trainato da chip personalizzati (ad esempio, Trainium), che induca la parte centrale della struttura «a bilanciere» (le applicazioni aziendali di uso comune) ad abbandonare le architetture basate esclusivamente su CPU.
  2. Risoluzione dei vincoli di approvvigionamento di componenti ed energia: Incrementi significativi nelle filiere di approvvigionamento di memoria (HBM/DRAM), energia e raffreddamento che rendano disponibile capacità oltre gli attuali limiti, con tutta la capacità già venduta (2026–2028).
  3. Riscritture autonome diffuse tramite agenti: Imprese che aggiornano con successo le architetture delle basi di codice preesistenti per renderle native per gli agenti, consentendo il rilascio di aggiornamenti di sicurezza minuto per minuto.
  4. Cambiamento nei partenariati pubblico-privati per le infrastrutture: Accelerazione degli investimenti federali e locali nella capacità della rete elettrica per soddisfare la domanda industriale di calcolo su scala estrema.

Per esplorare altre ricerche gratuite o mettere alla prova i tuoi modelli, visita la piattaforma DeepValues Research o prova l'app DeepValues.

Fonti citate#

Amazon CEO Andy Jassy on the Infrastructure the AI Era Needs, hosted by a16z (Video Transcript).

Guarda

Link alle fonti

Guarda e ascolta

Ricerca sull'azienda

Testo di ricerca con licenza CC BY 4.0, citare come: DeepValues Research, La strategia di Amazon da $220 miliardi per l'infrastruttura di IA: chip su misura, economia dei centri dati e IA su scala aziendale, https://research.deepvalues.ai/insights/2026-10-24-amazons-ai-era-and-infrastructure-expansion-it/

Email settimanale gratuita

Margin of Safety Weekly

Ogni sabato: la temperatura del mercato, cosa hanno comprato e venduto i grandi investitori (13F), le nuove analisi della settimana, video e podcast — gratis, senza bisogno di un account. L’email è in inglese.

Send me the DeepValues Margin of Safety Weekly, one email every Saturday. I can unsubscribe at any time. Information only, not investment advice. Privacy

Vai oltre

Esegui questa analisi su qualsiasi azione in 2 minuti

Deep Value Intelligence, l'analista AI multi-agente dietro questo report, scrive su richiesta lo stesso report per qualsiasi azienda quotata.

Apri Deep Value Intelligence

Segui oltre 300 azioni nell'app DeepValues

Posizioni, valore intrinseco e ultimi report, sul tuo telefono.

Sviluppatori: posizioni e report via API

I fondamentali, i valori intrinseci, le posizioni e i link ai report dietro queste pagine, in JSON.

Documentazione API

Discuti